探索网络安全新境界:Mantis 自动化安全框架

Mantis 是一款前沿的命令行工具,旨在自动化资产发现、侦察和扫描流程。这个强大的框架以顶级域名为起点,逐步揭示其下隐藏的子域和证书信息,并对活动资产进行深入的侦察,最后进行全面的安全漏洞检测,确保网络环境的安全。
功能亮点 :rocket:
- 自动化发现、侦察与扫描:一键启动从资产查找到安全评估的全链条过程。
- 分布式扫描:将单一扫描任务分散到多个机器上,提高效率。
- 易定制扫描:轻松调整扫描参数,适应不同需求。
- 仪表盘支持:清晰直观地呈现扫描结果。
- 漏洞管理:方便跟踪和修复问题。
- 高级警报:及时响应潜在威胁。
- DNS服务集成:无缝集成DNS解析功能。
- 快速集成新工具:几分钟内即可添加现有或自定义工具。
详细功能介绍可访问此处了解更多信息。
模块一览 🧰
- 发现
- 子域名
- 证书
- 侦察
- 开放端口
- 技术识别
- CDN
- 防火墙
- Web服务器
- IP信息
- ASN数据
- 地理位置
- 扫描
- 域名级别漏洞与配置错误
- 秘密扫描
- 欺诈域名
安装指南 ⚙️
Mantis 支持多种安装方式,特别推荐通过Docker进行初体验。为了实现MongoDB和AppSmith的整合,我们提供了一套Shell脚本来简化安装流程。
最低系统要求(单机扫描)🖥️
- 支持操作系统:Ubuntu, macOS
- 内存:4GB
- 核心数:2
- 硬盘空间:16GB
警告:由于Mantis结合了多个开放源代码和自定义工具并并行运行,建议在专用VM上运行以确保性能。
-tc选项控制并行处理数量。如果你的设备配置较低,设置-tc为1或2;如果设备配置较高,可以增加-tc值。
Docker 安装
参照视频教程:点击此处
首先克隆Mantis仓库:
git clone https://github.com/PhonePe/mantis.git
进入Mantis目录:
cd mantis/setup/docker
然后执行对应操作系统的Docker安装脚本:
./docker-setup-macos.sh
./docker-setup-ubuntu.sh
如需卸载Mantis(删除所有安装资源),在同一目录中执行以下命令:
docker compose down
仪表板设置 📊
完成Docker安装后,请先运行一次扫描,然后按照以下步骤设置仪表板。
警告:在设置仪表板前,请务必先运行一次命令:
mantis onboard -o org_name -t example.in
- 访问仪表板:http://mantis.dashboard:1337
- 在AppSmith创建账户。
- 访问基础URL:http://mantis.dashboard:1337
- 单击主页右上方的三个点,导入位于dashboard_templates文件夹中的模板。
- 输入数据库信息:
- 主机:mantis.db
- 端口:27017
- 默认数据库:mantis
你可以查看以下截图了解资产和漏洞视图:
命令行选项 🖥️
Mantis 提供了丰富的命令行选项来定制你的扫描行为:
usage:
ONBOARD: (First time scan, Run this !!)
mantis onboard -o example_org -t www.example.org
mantis onboard -o example_org -f file.txt
SCAN:
mantis scan -o example_org
mantis scan -o example_org -a example_app
更多关于命令行选项的说明可以在文档中找到。
运行扫描 🔍
首次扫描组织及其TLD/IP/IP-CIDR/IP范围时,使用onboard模式。这将按默认工作流运行扫描。
TLD 扫描
mantis onboard -o org_name -t example.in
IP 扫描
mantis onboard -o org_name -t 10.123.123.12
IP 范围扫描
mantis onboard -o org_name -t 203.0.113.0-10
IP-CIDR 扫描
mantis onboard -o org_name -t 203.0.113.0/24
对于已经加入的组织,只需运行scan模式以定期扫描:
mantis scan -o org_name
特定应用程序的扫描:
mantis scan -o org_name -a app_name
如何贡献?🤔
- 发现错误或有新特性建议,提交issue。
- 如果希望改进代码,直接向dev分支发起Pull Request。
遇到困难,欢迎加入我们的Discord频道,在这里你将得到帮助。
致谢 🎖
感谢以下人员的辛勤付出和贡献:
- 开发者:Prateek Thakare
- Recon工具设计/启动脚本:Bharath Kumar
- 密码扫描:Hitesh Kumar, Saddam Hussain
- 仪表板开发:Pragya Gupta
- 设计建议:Dhruv Shekawat, Santanu Sinha
- 架构设计:Praveen Kanniah
感谢所有做出贡献的开发者,具体名单见GitHub的贡献列表。
法律声明:
非法使用该程序攻击未经同意的目标是违法的。使用者应遵守所有适用法律。开发者不对任何滥用或由该程序造成的损害负法律责任。请负责任地使用。
该项目的所有材料均根据Apache2许可证授权。
利用Mantis的强大功能,提升你的网络安全管理水平,为你的数字世界构筑坚固的防线。立即尝试,体验前所未有的网络安全性!
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C028
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00

